很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于Microsoft开源TensorWatch AI调试工具 的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对Microsoft开源TensorWatch AI调试工具 这篇文章感兴趣的小伙伴可以一起来看看

微软研究院开源TensorWatch，这是他们用于AI和深度学习的调试工具。TensorWatch支持PyTorch和TensorFlow渴望的张量，并同意 开辟人员通过Jupyter笔记本实时地交互式调试培训作业，或在Python中构建自己的自定义UI。

在最近的博客文章中，由Shital Shah领导的研究团队宣布了 TensorWatch 的开源版本。TensorWatch是一个Python库，用于可视化深度学习模型开辟周期各个阶段的数据：从模型结构到训练指标，再到模型预测的解释。TensorWatch旨在用作Jupyter笔记本或JupyterLab仪表板中的交互式工具，但作为Python库，它也可以包含在自定义工具和UI中。根据开辟团队的说法：

“我们喜欢将TensorWatch视为具有许多高级功能的瑞士军刀调试工具，研究人员和工程师将在他们的工作中找到帮助。”

在模型训练期间使用TensorWatch的关键概念是stream，它是一系列 事件，其中包含在某个时间点观察到的数据值。深度学习训练分批次(训练数据的子集)和时期(整个数据集进行的训练)进行。在每个批次和每个时期之后，训练框架将输出几个度量值，以显示训练进度，例如模型在测试数据集上的准确性。要使用TensorWatch，训练代码被修改(或 仪器)，以这些度量发送到流。TensorWatch支持“懒日志”模式，如果不使用流数据，则开销较低。这个想法是观察可能在调试中实用的所有可能的指标。

TensorWatch可视化用户界面还设计用于处理流。随着新事件的到来，UI进行更新以包括新事件中的数据。TensorWatch同意 用户通过从现有流创建新流来转换流数据;新流将用户定义的Python lambda函数应用于每个传入事件。TensorWatch的核心价值在于，这种以低开销观察所有训练指标，应用任意变换并在Jupyter笔记本中实时查看结果的能力。

该库还包含开辟过程中其他阶段的可视化功能。例如，查看神经网络模型的图形，可视化低维空间中的数据集或解释模型的输出。TensorWatch实际上并未实现这些功能;相反，TensorWatch在它们周围提供了包装器接口。

TensorWatch旨在与PyTorch一起使用，PyTorch 目前缺乏本机可视化和调试工具，而Google的竞争对手TensorFlow框架附带了一个名为TensorBoard的可视化工具。因此，既TensorFlow和Keras，用于TensorFlow高级API的包装，具实用于插装训练过程可视化的便利的方法。PyTorch没有类似的便捷方法，用于可视化培训的TensorWatch示例实际上依赖于单独的Python库 (由TensorWatch团队负责人Shah维护)来处理仪器。目前尚不清晰为什么TensorWatch中未包含该代码。

尽管它主要用于PyTorch，但该团队表示，“它还应该与TensorFlow渴望的张量一起使用”。在Reddit上的一个线程中，用户询问TensorWatch与TensorBoard的比较，以及TensorWatch是否可以与Keras一起使用。